Insights na TechGrow

Faaala, Dev! 💜

Chegou a hora de colocar em prática tudo o que aprendemos sobre análise de dados e Machine Learning.

Neste desafio, você vai explorar um cenário realista do mercado de tecnologia: a previsão de churn em um produto SaaS (Software as a Service).

Seu objetivo será entender quais fatores influenciam o cancelamento de clientes e construir um modelo de Machine Learning capaz de prever quem está mais propenso a cancelar.

Mais do que um exercício técnico, este desafio é sobre usar dados para tomar decisões inteligentes de negócio. 🚀

---

📦 Contexto

Você faz parte do time de dados da TechGrow, uma empresa SaaS que oferece soluções de gestão para pequenos negócios.

Nos últimos meses, a liderança percebeu um aumento preocupante na taxa de cancelamento (churn).

O time de produto quer descobrir por que isso está acontecendo e quais clientes estão em risco.

Você recebeu um conjunto de dados com informações de clientes, uso da plataforma e histórico de faturamento.

Sua missão é criar uma análise exploratória completa, treinar modelos preditivos e interpretar os resultados para gerar insights acionáveis.

---

🧩 Desafio

1. Importe e explore os dados
   • Carregue o arquivo Caso_Pratico_base_churn_saas.csv.
   • Observe o formato, colunas disponíveis e tipos de variáveis.
   • Verifique valores nulos e estatísticas descritivas.
   • Crie visualizações para entender a distribuição das variáveis e o comportamento dos clientes que cancelaram (churn == 1).
2. Trate e prepare os dados
   • Aplique encoding em variáveis categóricas.
   • Padronize ou normalize as colunas numéricas, se necessário.
   • Verifique correlações relevantes e elimine colunas redundantes.
3. Separe os dados em treino e teste
   • Utilize 70% para treino e 30% para teste.
   • Defina churn como variável-alvo (target).
4. Treine os modelos
   • Comece com um modelo baseline: Regressão Logística.
   • Em seguida, treine e compare com Random Forest e XGBoost.
5. Avalie os resultados
   • Use métricas de classificação:
     • accuracy
     • precision
     • recall
     • f1-score
     • roc_auc_score
   • Plote a matriz de confusão e a curva ROC.
6. Interprete e apresente os resultados
   • Quais variáveis mais impactam o churn?
   • Seu modelo consegue identificar bem os clientes que vão cancelar?
   • Quais ações você recomendaria ao time de produto?

---

🧠 O que você vai praticar

• Análise exploratória e preparação de dados
• Criação de modelos supervisionados de classificação
• Avaliação de performance de modelos
• Interpretação de resultados e storytelling com dados

---

💜 Dica da Rocketseat

O foco deste desafio não é apenas encontrar o modelo com melhor acurácia, mas entender o porquê.

Explique suas decisões, documente suas observações e interprete o impacto de cada variável.

Pense como uma pessoa de dados que ajuda o time a tomar decisões baseadas em evidências. ✨

---

📂 Dataset

Arquivo: Caso_Pratico_base_churn_saas.csv

Contém colunas relacionadas a:

• Perfil do cliente (tempo de contrato, localização, tipo de plano)
• Comportamento de uso (número de logins, volume de ações, tickets de suporte)
• Histórico financeiro (valor mensal, inadimplência, descontos aplicados)
• Variável alvo: churn (1 = cancelou, 0 = manteve o serviço)

---

Entrega

Após concluir o desafio, você deve enviar a URL do seu código no GitHub para a plataforma.

Além disso, que tal fazer um post no LinkedIn compartilhando o seu aprendizado e contando como foi a experiência?

É uma excelente forma de demonstrar seus conhecimentos e atrair novas oportunidades!

Feito com 💜 por Rocketseat 👋